4.1 MODELO VETOR AUTO REGRESSIVO
4.2.1 Teste de Raiz Unitária
O primeiro passo para estimar um modelo VAR é conferir se as variáveis são ou não estacionárias. As variáveis em séries temporais não estacionárias, como é o caso, não poderiam ser utilizadas em modelos de regressão, para evitar o problema de regressões espúrias. Porém, conforme explica Gujarati e Porter (2011, p. 401) existe uma exceção a essa regra. Se os dados,
conforme coluna nível na tabela 7 forem variáveis não estacionárias, esperamos que sua diferença, valores estão na mesma tabela, porém, existe alguns casos como este que está sendo analisado que existe um processo estacionário. Neste caso as variáveis são chamadas de cointegradas.
Tabela 8 – Valores-limites da estatística
- teste de raízes unitárias de Dickey-Fullern 1% 2,5% 5% 10% n 1% 2,5% 5% 10% 25 -3,75 -3,33 -3 -2,62 25 -4,38 -3,95 -3,6 -3,24 50 -3,58 -3,22 -2,93 -2,6 50 -4,15 -3,8 -3,5 -3,18 100 -3,51 -3,17 -2,89 -2,58 100 -4,04 -3,73 -3,45 -3,15 250 -3,46 -3,14 -2,88 -2,57 250 -3,99 -3,69 -3,43 -3,13 500 -3,44 -3,13 -2,87 -2,57 500 -3,98 -3,68 -3,42 -3,13 ∞ -3,43 -3,12 -2,86 -2,57 ∞ -3,96 -3,66 -3,41 -3,12 Fonte: Elaborado pela autora.
Com o teste de Dickey-Fuller Aumentado pode-se verificar a estacionariedade dos resíduos de mínimos quadrados, para tanto examina-se a estatística Tau para o coeficiente angular, que no nosso caso é de 95%, e o número de observações é de 228. Na tabela 7 pode- se verificar os valores limites da estatística
. A tabela 8 apresenta o resumo dos testes realizados.Tabela 9 - Teste de Raiz unitária - Dickey-Fuller Aumentado (ADF)
(continua)
Nível
I(.) Diferença
I(.)tx_cambi o -3,43 -1,06954 -1,27875 I (0) ∆ tx_cambiot -3,43 -6,23124 -6,24763 I (1) tx_libor -3,43 -3,39276 -3,41994 I (0) ∆ tx_libort -3,43 -9,90556 -10,0762 I (0) Open -3,43 -1,56226 -2,52516 I (1) ∆opent -3,43 -5,22984 -5,21391 I (1) sal_medi o -3,43 -1,42724 -2,63358 I (1) ∆sal_medio t -3,43 -4,55372 -4,55962 I (1) X_aço_vl -3,43 -2,19421 -2,9841 I (1) ∆X_aço_vl -3,43 -8,90936 -8,88916 I (1) X_aco_qt -3,43 -1,77673 -2,00664 I (1) ∆ X_aco_qt -3,43 -6,31073 -6,29517 I (1) Preco_X -3,43 -1,8094 -2,17053 I (1) ∆Preco_X -3,43 -7,58064 -7,57368 I (1)
(conclusão) utiliz_cap _instalad a -3,43 -1,64064 -2,04781 I (1) ∆ utiliz_cap_i nstalada -3,43 -3,87566 -3,94971 I (1) CPI_com o -3,43 -1,76911 -1,94214 I (1) ∆CPI_com o -3,43 -4,81676 -4,89834 I (1) X_total_ BR_Vl -3,43 -1,39139 -2,47504 I (1) ∆ X_total_BR _Vl -3,43 -3,47883 -3,48703 I (1)
Fonte: Elaborado pela autora, dados obtidos com o software Gretl.
Onde,
é o valor crítico (limite), é o teste com constante e teste com constância e tendência. Com isso obtém-se as ordens de integração das variáveis, onde: (i) Taxa libor estacionou em nível I (0); (ii) grau de abertura da economia estacionou em segunda diferença I (2) e, (iii) as demais variáveis estacionaram na primeira diferença I (1). Os testes constam no Anexo 1.4.2.2 Cointegração
O segundo passo para a estimação do VAR é determinar o teste de cointegração de Engle Granjer. O princípio da cointegração é que quando existe raiz unitária em um conjunto de series de tempo, é possível obter uma combinação linear, que são estacionárias, conforme explica Ness (2008).
A cointegração revela que as variáveis tem caminho comum, ou seja, apresentam a mesma tendência e sentido. Neste caso, as variáveis foram taxa libor, salário médio e utilização da capacidade instalada. O teste de Granger prevê que individualmente as variáveis sejam não estacionárias. Todavia, os resíduos da regressão deverão ser estacionários, rejeitando a hipótese nula. Apresenta-se na tabela 9 a regressão de cointegração MQO (Mínimos quadrados- ordinários), usando as observações entre os períodos de 2000:01 e 2018:12, no total de 228.
Tabela 10 - Regressão de cointegração
coeficiente erro padrão razão-t p-valor
const −2,74106e+09 9,44E+08 −2,903 0,0041 *** Preco_Exp_Unit −1,21580e+09 1,90E+08 −6,412 8,44E-10 *** sal_medio 1,69E+07 3,01E+06 5,611 5,92E-08 *** CPI_como 2,87E+06 3,18E+06 0,904 0,3669
Util_Cap_Inst 3,42E+07 1,05E+07 3,273 0,0012 *** Fonte: Elaborado pela autora, com dados obtidos no software Gretl.
As variáveis que não constam na seleção apresentaram-se insignificantes para o modelo, no caso o teste de razão-t para as variáveis insignificantes a numeração, em módulo >1,96 distribuição Z, distribuição de probabilidade acumulada.
4.2.3 Seleção de Defasagem
Em seguida verifica-se o número de defasagens necessárias para incorporar a estimação do modelo VAR. O primeiro passo é fazer um teste, para verificar o máximo de defasagens para o modelo. Inicia-se com o máximo possível, que são 24. No modelo constam três critérios; (i) Akaike (AIC); (ii) Bayesiano de Schwarz (BIC) e (iii) Hannan-Quinn (HQC).
Tabela 11 – Seleção de defasagens VAR
defas. log.L p(LR) AIC BIC HQC
1 -5510,33 50,596595 51,060851* 50,784094 2 -5458,65 0 50,353013 51,20415 50,696762* 3 -5426,74 0,00003 50,289891* 51,527909 50,78989 4 -5406,64 0,02775 50,334596 51,959493 50,990844 5 -5381,69 0,00219 50,335069 52,346847 51,147567 6 -5357,89 0,00417 50,346044 52,744702 51,314791 7 -5335,97 0,01126 50,374111 53,159649 51,499108 8 -5322,2 0,32988 50,476708 53,649127 51,757955 Fonte: Elaborado pela autora com informações obtidas no Software Gretl.
Os asteriscos indicam os melhores, isto é, os mínimos valores dos respectivos critérios de informação. Obteve-se o máximo grau de defasagem 8, conforme a tabela 10.
Os instrumentos decomposição da variância e função impulso-resposta, conforme descrito anteriormente, demostram os resultados e interpretações estatísticas.
4.2.4 Função Impulso-resposta
Após é necessário verificar as respostas da quantidade de exportação de aço ao choque das demais variáveis significativas.
Figura 7 - Função impulso-resposta de d_export_aço_quat nela mesma
Fonte: Dados obtidos no Gretl.
A figura 8 apresenta o gráfico que revela a resposta a um choque da variável quantidade da exportação de aço sobre ela mesma, que provocará uma variação entre -177,5 milhões a 238,8 milhões de toneladas de aço, já no primeiro mês. Até o décimo quinto a oscilação é mais intensa. O choque é totalmente absorvido em 24 meses no horizonte de previsão.
Figura 8 - Função Impulso-resposta d_export_aco_quant em d_preco_expor_unit
Fonte: Dados obtidos no Gretl.
O gráfico apresentado na figura 9 mostra a resposta da variável exportação de aço em quantidade um choque sobre o preço unitário de exportação. Percebe-se que o impacto provoca uma instabilidade expressiva no preço, durante os vinte e quatro meses, sendo mais intensa
entre os primeiros dez meses, sendo o maior pico no quarto mês em 24,6 milhões de toneladas de aço, e o menor valor no terceiro mês, com valor de -29,4 milhões de toneladas de aço.
Figura 9 - Função impulso resposta de d_export_aço_quant a um choque de d_salário_médio
Fonte: Dados obtidos no Gretl.
O gráfico da figura 10 revela a resposta de exportação de aço em quantidade a um choque do salário médio. Verifica-se maior impacto até o décimo mês, no sexto mês o impacto é de 24,4 milhões de toneladas, e no sétimo mês fica em -19,88 milhões de toneladas. Após este movimento de oscilação o choque começa se diluir no décimo quarto mês.
Figura 10 - Função impulso-resposta de d_export_aço_quant a um choque de d_utiliz_cap_inst
O gráfico da figura 11 apresenta uma resposta da exportação de aço em quantidade ao choque da variável utilização da capacidade instalada. Verifica-se que o impacto provoca uma variação no primeiro mês de -32,25 milhões de toneladas, no segundo mês em 58,75 milhões de toneladas, após, no sétimo mês também se observa impacto em -30,5 milhões de toneladas. Após o vigésimo segundo mês o choque é totalmente absorvido.
Figura 11 - Função impulso-resposta de d_export_aco_quat sobre um choque de d_CPI_Commodities
Fonte: Dados obtidos no Gretl.
O gráfico da figura 12 mostra uma resposta da variável exportação de aço em quantidade a um choque sobre o commodities para o consumidor norte americano. Constata-se que o impacto provoca robusta variação negativa no quinto mês em -28,45 milhões de toneladas e no oitavo mês em -32,13 milhões de toneladas, e variação positiva no quarto mês em 23,88 milhões de toneladas e no sétimo mês em 20,2 milhões de toneladas. O choque é então totalmente absorvido no horizonte de vinte e dois meses.
4.2.5 Decomposição da Variância
A decomposição da variância, conforme Vieira e Cardoso (2007), “verifica qual a participação relativa de determinada variável na explicação da variância de outra variável do modelo”. Nada mais é, que a estimação de um choque de uma variável sobre ela mesma, e como
esse choque impacta as demais variáveis do modelo. A tabela 11 apresenta resumo dos resultados obtidos, apresentado o primeiro e o ultimo resultados.
Tabela 12 – Decomposição da variância para d_exportação_aço_quant P padrão erro d_export_somente_aco_quant Exp_Unit d_Preco_ d_sal_medio d_Util_Cap_Inst d_CPI_
1 2,38E+08 100 0 0 0 0
2 3,03E+08 98,0605 0,5071 0,0407 1,2065 0,1851 24 3,41E+08 84,6537 3,4079 2,0851 6,3523 3,501 Fonte: Elaborado pela autora com dados obtidos no Gretl.
A decomposição da variância do choque sobre a exportação de aço em quantidade, revelou que em 24 meses o mesmo cai de 100% e chega a 84,65%. O impacto da mesma também é percebido em outras variáveis, o preço das exportações em unidades sai de zero e chega a 3,41%, o Índice de preços ao consumidor americano sai de zero e chega em 3,5%, a utilização da capacidade instalada sai de zero para 6,35%, sobre o salário médio este impacto sai de zero também e chega a 2,08%.
Tabela 13 - Decomposição da variância para d_preço_exportação_unidades
P erro padrão d_export_somente_aco_quant Exp_Unit d_Preco_ d_sal_medio d_Util_Cap_Inst d_CPI
1 0,0544914 31,1094 68,8906 0 0 0
2 0,06336 36,8046 62,5155 0,5306 0,1066 0,0427
24 0,0739279 29,3096 52,7892 7,8509 1,9273 8,123
Fonte:Elaborado pela autora com dados obtidos no Gretl.
A decomposição da variância do choque sobre o preço de exportação em unidades, revelou que em 24 meses o mesmo cai de 68,89% para 52,79%. O impacto da mesma também é percebido em outras variáveis, a exportação de aço em quantidade saí de 31,11% e chega a 29,31%, o Índice de preços ao consumidor americano varia 8,12% no mesmo período, a utilização da capacidade instalada sai de zero para 1,92%, sobre o salário médio este impacto sai de zero também e chega a 7,85%.
Tabela 14 – Decomposição da variancia para d_salário_médio
P padrão erro d_export_somente_aco_quant d_Preco_Exp_Unit d_sal_medio d_Util_Cap_Inst d_CPI_
1 2,68047 0,2456 2,1234 97,631 0 0
2 3,17505 0,2218 1,7254 87,16 10,121 0,7718
24 3,47021 1,5796 4,3818 79,2892 11,6742 3,0752 Fonte:Elaborado pela autora com dados obtidos no Gretl.
A decomposição da variância do choque sobre o salário médio, revelou que em 24 meses o mesmo cai de 97,63% para 79,28%. O impacto da mesma também é percebido em outras variáveis, a utilização da capacidade saí de zero e chega a 11,67%, o Índice de preços ao consumidor americano varia 3,07% no mesmo período. Dados constantes na tabela 13.
Tabela 15 – Decomposição da variância para d_Utilização_da_capacidade_instalada
P erro padrão d_export_so mente_aco_q uant d_Preco_E xp_Unit d_sal_medio d_Util_Ca p_Inst d_CPI_ 1 0,905067 0,2921 1,8179 3,7158 94,1743 0 2 0,955992 0,8365 1,8176 6,8504 90,3169 0,1786 24 1,17987 9,4335 5,5869 12,5888 66,7452 5,6456
Fonte: Elaborado pela autora com dados obtidos no Gretl.
A decomposição da variância do choque sobre a utilização da capacidade instalada, revelou que em 24 meses o mesmo cai de 94,17% para 66,75%. O impacto da mesma também é percebido em outras variáveis, a exportação de aço em quantidade saí de 0,29% e chega a 9,43%, o Índice de preços ao consumidor americano varia 5,65% no mesmo período, o preço unitário de exportação varia entre 1,82% para 5,59%, sobre o salário médio este impacto chega em 12,59%. Dados constantes na tabela 14.
Tabela 16 – Decomposição da variancia para d_CPI_Commodities P erro padrão d_export _aco_quant d_Preco_Ex p_Unit d_sal_me dio d_Util_Ca p_Inst d_CPI_como 1 1,19968 0,271 0,6206 0,3169 0,454 98,3375 2 1,47479 0,9549 1,491 0,2786 1,1082 96,1673 24 1,71565 5,7244 3,1943 3,8966 1,6619 85,5227 Fonte: Elaborado pela autora com dados obtidos no Gretl.
A decomposição da variância do choque sobre a Índice de preços ao consumidor americano, revelou que em 24 meses o mesmo cai de 98,38% para 85,52%. O impacto da mesma também é percebido em outras variáveis, a exportação de aço em quantidade saí de 0,27% e chega a 5,72%, a utilização da capacidade instalada varia 1,66% no mesmo período, o preço unitário de exportação varia entre 0,62 % para 3,19%, sobre o salário médio este impacto chega em 3,89%.
Posteriormente, aplica enfim o modelo de autorregressão vetorial. O número de defasagens selecionadas foi na ordem de 8, devido ao teste de grau de defasagem e como variáveis endógenas a primeira diferença das variáveis significativas, que são: exportação de aço em quantidade, preço da exportação por unidade, salário médio, utilização da capacidade instalada e preço índice de preços das commodities para o consumidor norte americano.
Tabela 17 – Equação 1 d_exportação de aço em quantidade
Variável Coeficiente Erro Padrão razão-t p-valor d_export_somente_aco_quant_1 −0,812052 0,0898504 −9,038 <0,0001 *** d_export_somente_aco_quant_2 −0,558401 0,109461 −5,101 <0,0001 *** d_export_somente_aco_quant_3 −0,370019 0,117391 −3,152 0,0019 *** d_export_somente_aco_quant_4 −0,342436 0,115218 −2,972 0,0034 *** d_export_somente_aco_quant_5 −0,463657 0,115889 −4,001 <0,0001 *** d_export_somente_aco_quant_6 −0,353608 0,118731 −2,978 0,0033 *** d_export_somente_aco_quant_7 −0,330006 0,114851 −2,873 0,0046 *** d_Util_Cap_Inst_1 −3,89088e+07 2,02E+07 −1,923 0,0561 * d_Util_Cap_Inst_6 5,67E+07 2,11E+07 2,681 0,008 *** Fonte:Elaborado pela autora com dados obtidos no software Gretl.
A primeira equação (regressão), a variável exportação de aço, é explicada pela primeira até a sétima diferença dela mesma e também a primeira e sexta diferença da variável utilização da capacidade instabilidade, conforme pode-se observar na tabela 14. Os valores apresentados nessa tabela são apenas significativos.
Tabela 18 – Equação 2: d_preço_exportação_unitário
Variável Coeficiente Erro Padrão razão-t p-valor d_export_somente_aco_quant_1 3,59E-11 2,06E-11 1,742 0,0833 * d_export_somente_aco_quant_2 5,81E-11 2,51E-11 2,312 0,0219 ** d_export_somente_aco_quant_3 6,73E-11 2,69E-11 2,497 0,0134 ** d_export_somente_aco_quant_4 5,34E-11 2,64E-11 2,022 0,0447 ** d_Preco_Exp_Unit_1 −0,494542 0,0910898 −5,429 <0,0001 *** d_Preco_Exp_Unit_3 0,180358 0,102164 1,765 0,0792 * d_Preco_Exp_Unit_5 −0,197254 0,0991611 −1,989 0,0482 ** d_sal_medio_5 0,00616051 0,00191232 3,221 0,0015 *** d_Util_Cap_Inst_6 −0,00969851 0,00485224 −1,999 0,0472 ** d_CPI_como_3 0,00830224 0,00426938 1,945 0,0534 * d_CPI_como_6 0,00931736 0,00440375 2,116 0,0358 ** Fonte: Elaborado pela autora com dados obtidos no software Gretl.
A segunda regressão, cujo resultados foram apresentados na tabela 15, que trata sobre o preço unitário da exportação, que é explicado pela sua própria diferença, da primeira, terceira e quinta diferença. É explicado também pela primeira até a quarta diferenças. A quinta diferença do salário médio, e também pela sexta diferença da utilização da capacidade instalada. A variável preço das commodities americanas tem significância, nas terceira e sexta diferenças. Os valores apresentados nessa tabela são apenas significativos.
Tabela 19 – Equação 3: d_salário_médio
Variável Coeficiente Erro Padrão razão-t p-valor
Const 0,615634 0,220439 2,793 0,0058 ***
d_export_somente_aco_quant_6 2,55E-09 1,34E-09 1,904 0,0585 * d_sal_medio_1 −0,431383 0,0768456 −5,614 <0,0001 *** d_sal_medio_2 −0,348424 0,0866099 −4,023 <0,0001 *** d_sal_medio_3 −0,279843 0,0919631 −3,043 0,0027 *** d_sal_medio_4 −0,289459 0,0934363 −3,098 0,0023 *** d_sal_medio_5 −0,230710 0,0940683 −2,453 0,0151 ** d_sal_medio_6 −0,266451 0,0954812 −2,791 0,0058 *** d_Util_Cap_Inst_1 1,17163 0,228388 5,13 <0,0001 *** d_Util_Cap_Inst_2 0,805799 0,238302 3,381 0,0009 *** d_Util_Cap_Inst_3 0,444737 0,241607 1,841 0,0673 * d_Util_Cap_Inst_4 0,529921 0,240356 2,205 0,0288 ** d_Util_Cap_Inst_1 1,17163 0,228388 5,13 <0,0001 *** d_Util_Cap_Inst_2 0,805799 0,238302 3,381 0,0009 *** d_Util_Cap_Inst_3 0,444737 0,241607 1,841 0,0673 * d_Util_Cap_Inst_4 0,529921 0,240356 2,205 0,0288 ** d_Util_Cap_Inst_7 0,543572 0,238858 2,276 0,0241 ** Fonte: Elaborado pela autora com dados obtidos no Gretl.
A terceira equação, a variável salário médio é explicada pela diferença dela mesma entre a primeira e sexta diferença, pela primeira diferença da variável exportação de aço em quantidade, pela primeira até sétima diferença na utilização da capacidade instalada. Conforme consta na tabela 18. Os valores apresentados nessa tabela são apenas significativos.
Tabela 20 – Equação 4:d_utilização_da_capacidade_instalada
(continua) Variável Coeficiente Erro Padrão razão-t p-valor d_export_somente_aco_quant_5 −1,00935e-09 4,42E-10 −2,286 0,0235 **
d_export_somente_aco_quant_6 −1,17513e-09 4,52E-10 −2,597 0,0102 ** d_export_somente_aco_quant_7 −1,11284e-09 4,38E-10 −2,543 0,0119 ** d_Preco_Exp_Unit_7 −2,85706 1,42538 −2,004 0,0465 ** (conclusão) d_sal_medio_1 −0,0844886 0,0259471 −3,256 0,0014 *** d_sal_medio_2 −0,0601748 0,029244 −2,058 0,0411 ** d_Util_Cap_Inst_1 −0,267703 0,0771157 −3,471 0,0006 *** d_Util_Cap_Inst_3 −0,137434 0,081579 −1,685 0,0938 * d_Util_Cap_Inst_4 −0,228991 0,0811569 −2,822 0,0053 *** d_Util_Cap_Inst_5 −0,177555 0,0798575 −2,223 0,0274 ** d_Util_Cap_Inst_8 −0,134082 0,0795374 −1,686 0,0936 * d_CPI_como_2 0,138274 0,0690582 2,002 0,0468 ** d_CPI_como_4 0,132965 0,0722641 1,84 0,0674 *
Fonte: Elaborado pela autora com dados obtidos no Gretl.
A tabela 19 apresenta a quarta equação, referente a variável utilização da capacidade instalada, a quinta até sétima diferença da variável exportação do aço em quantidade, pela sétima diferença do preço da exportação em unidades. Também é explicada pelas primeiras e segundas diferenças do salário médio, da primeira, terceira, quarta, quinta e oitava diferença da variável utilização da capacidade instalada. A segunda e quarta diferença da variável preço das commodities americanas também são significativas.
Tabela 21 - Equação 5: d_ commodities_para_consumidor _norte_americano Variável Coeficiente Erro Padrão razão-t p-valor d_sal_medio_2 0,0690557 0,0387633 1,781 0,0765 * d_Util_Cap_Inst_6 0,177428 0,106826 1,661 0,0985 * d_CPI_como_1 0,691298 0,0746994 9,254 <0,0001 ***
Fonte:Elaborado pela autora com dados obtidos no Gretl.
A equação 5, dados na tabela 20 demostrou que a variável preço das commodities norte americanas, tem como variável significativa a segunda diferença do salário médio, sexta diferença da variável utilização da capacidade instalada e da primeira diferença dela mesma.
5 CONCLUSÃO
Este trabalho teve como objetivo analisar o comportamento das exportações do aço brasileiro utilizando como base empírica o modelo econométrico de vetores auto regressivos, considerando o período entre 2000 e 2018. Neste sentido buscou-se fazer uma revisão teórica sobre a teoria do comércio internacional, sobre estrutura de mercado oligopólio e sobre o modelo VAR.
Optou-se por utilizar o método VAR, que considera as variáveis de maneira simétrica, sem considerar a dependência das variáveis. Também pela flexibilidade, que retrata o comportamento de curto e longo prazo e sua inter-relação.
Constata-se que a indústria siderúrgica está dentro da estrutura de mercado Oligopólio homogêneo. Com os estudos das estruturas de mercado, é possível verificar, por exemplo, o funcionamento dos preços. Como o produto é homogêneo, o Brasil não é um price-taker.
Mesmo o Brasil sendo o nono maior produtor de aço no mundo, o teste de impulso- resposta demostrou que o preço do aço é influenciado pelos preços internacionais, sendo classificado como país pequeno na teoria de David Ricardo, o que também demonstrou que a crise de 2008, com o preço das commodities norte americanas inflacionado, influenciou diretamente a demanda por aço brasileiro. O que provou isto foi a taxa libor significativa para o teste de cointegração.
Embora o Brasil seja um dos maiores produtores de aço no mundo, é na China que está a maior produção, com mais de 50% da produção total. A desaceleração da economia chinesa, que começou no ano de 2016, acabou por culminar numa crise no setor de aço. Porém as exportações brasileiras aumentaram, o que pode ser justificado por fatores internos, como os conferidos no teste de cointegração que apresentou como variáveis significativas o salário médio e utilização da capacidade instalada.
Analisa-se então os resultados obtidos com a função impulso-resposta em quantidade de exportações de aço. A variável com maior instabilidade é o preço de exportação, devido a sua oscilação ocorrer até o final do período analisado de 24 meses. A variável que apresenta a menor instabilidade é a própria quantidade de exportação de aço. Já variável índice de preço de commodities para o mercado interno norte-americano, comparando-se com as demais, tem seu choque absorvido em menor tempo, cerca de 11 meses. A variável salário médio apresenta uma oscilação intensa por 9 meses, após ela passa a ter um comportamento suave até o final do período de análise. A variável utilização da capacidade instalada, revelou-se com uma oscilação
mais intensa até o sétimo mês, a partir daí até o final do período, a mesma suaviza seu comportamento.
Por fim, verifica-se que a hipótese principal não é verdadeira. Nem todas as variáveis escolhidas foram significativas para determinar a quantidade de exportações de aço brasileiro para o resto do mundo. Para o teste de cointegração, que verificou que somente as variáveis preço da exportação em unidades, salário médio, índice de preços das commodities para o consumidor norte-americano e utilização da capacidade instalada.
REFERÊNCIAS
ABEL, Andrew B.; BERNANKE, Ben S.; CROUSHORE, Dean. Macroeconomia. 6. ed. São Paulo: Pearson Education do Brasil, 2008. Tradução de: Cid Knipel.
ANDRADE, Maria Lúcia Amarante de; CUNHA, Luiz Maurício da Silva. BNDES 50 Anos: O setor Siderúrgico. BNDES, 2002.
APPOLINÁRIO, Fabio. Dicionário de Metodologia Científica: Um guia para a produção do conhecimento científico. 2. ed. São Paulo: Atlas Sa, 2011. 281 p.
BAER, Werner. Siderurgia e Desenvolvimento brasileiro. Rio de Janeiro: Zahar Editores, 1970. 243 p. Tradução de: Wando Pereira Borges.
BAUMANN, Renato; CANUTO, Otaviano; GONÇALVES, Reinaldo. Economia
Internacional: A Teoria e Experiência Brasileira. 6. ed. Rio de Janeiro: Elsevier Ltda., 2004. 442 p.
BESANKO, David et al. A Economia da Estratégia. 3. ed. Porto Alegre: Artmed Editora S.a., 2004. Tradução: Bazán Tecnologia e Linguística.
BRASIL, Instituto Aço. A Aço. Disponível em: <http://www.acobrasil.org.br/site2015/>. Acesso em: 11 jun. 2018.
BRASIL. MDIC. . Estatísticas de Comércio Exterior. 2018. Disponível em: <http://www.mdic.gov.br/index.php/comercio-exterior>. Acesso em: 26 out. 2018.
CARVALHO, Maria Auxiliadora de; SILVA, César Roberto Leite da. Economia Internacional. 4. ed. São Paulo: Saraiva, 2007. 327 p.
CSN (Brasil). Companhia Siderúrgica Nacional. 2018. Disponível em:
<http://www.csn.com.br/default_pti.asp?idioma=0&conta=45>. Acesso em: 24 jun. 2018.
DORNBUSCH, Rudiger; FISCHER, Stanley; STARTZ, Richard. Macroeconomia. 11. ed. Porto Alegre: Amgh, 2013. Tradução de: João Gama Neto.
FARIAS, Hiron Pereira. Função Resposta a impulso e decomposição da variância do erro de previsão aplicado às principais bolsas de valores. 2008. 71 f. Dissertação (Mestrado) - Curso de Pós-graduação em Estatística e Experimentação Agropecuária, Universidade Federal de Lavras, Lavras, 2008. Disponível em: <http://livros01.livrosgratis.com.br/cp092157.pdf>. Acesso em: 01 maio 2019.
FEIJÓ, Carmem Aparecida et al. Contabilidade Social: O novo sistema de contas nacionais do Brasil. Rio de Janeiro: Elsevier Editora Ltda., 2008. 413 p.
GUJARATI, Damodar N.; PORTER, Dawn C.. Econometria Básica. 5. ed. Porto Alegre: Amgh Editora Ltda., 2011. Tradução de: Denise Durante, Mônica Rosemberg, Maria Lúcia G. L. Rosa.
HUNT, E. K.; LAUTZENHEISER, Mark. História do Pensamento Econômico: Uma perspectiva crítica. 3. ed. Rio de Janeiro: Campus Elsevier, 2000. 761 p. Tradução e revisão técnica André Arruda Villela. Disponível em:
<https://gremiojovenspensadores.files.wordpress.com/2017/04/historia-do-pensamento- economic-e-k-hunt.pdf>. Acesso em: 05 set. 2018.
INSTITUTO AÇO BRASIL (Rio de Janeiro). O Aço. 2018. Disponível em: <http://www.acobrasil.org.br/site2015/index.asp>. Acesso em: 01 dez. 2018.
IPEADATA. 2019. Disponível em: <http://www.ipeadata.gov.br/Default.aspx>. Acesso em: 08 mar. 2019.
KRUGMAN, Paul R.; OBSTFELD, Maurice; MELITZ, Marc J.. Economia Internacional. 10. ed. São Paulo: Pearson Education do Brasil Ltda, 2015. 596 p. Tradução de Ana Julia Perrotti Garcia.
KUPFER, David; HASENCLEVER, Lia (Org.). Economia Industrial: Fundamentos teóricos e práticas no Brasil. Rio de Janeiro: Editora Campus Ltda., 2002.
MANKIW, N. Gregory. Macroeconomia. 8. ed. Rio de Janeiro: Ltc — Livros Técnicos e Científicos Editora Ltda., 2018. Tradução Ana Beatriz Rodrigues.
MANKIW, N. Gregory. Princípios de Microeconomia: Tradução da 6ª edição norte-